AI Dictionary › Fondamenti AI
Replicazione
Replication is the maintenance of identical copies of the same data on multiple machines. It serves two intertwined goals: resilience (if a node dies, the data survives elsewhere) and performance (more copies serve more readers, including geographically closer ones). Together with sharding, which divides data, replication, which multiplies it, is the foundation of distributed databases.
Replication is the maintenance of identical copies of the same data on multiple machines. It serves two intertwined goals: resilience (if a node dies, the data survives elsewhere) and performance (more copies serve more readers, including geographically closer ones). Together with sharding, which divides data, replication, which multiplies it, is the foundation of distributed databases.
In the most common model, primary-replica, writes go to the primary node and propagate to replicas, which serve reads. Propagation can be synchronous (the write is confirmed once all copies have it: safer, slower) or asynchronous (immediate confirmation, with the risk of reading slightly stale data: so-called eventual consistency). The CAP theorem, formulated by Eric Brewer, frames the unavoidable trade-off between consistency and availability when the network partitions.
In AI, replication operates on several planes: vector indexes are replicated to sustain search traffic, model weights are copied across dozens of inference nodes, and training checkpoints are replicated on redundant storage. Beyond AI it protects bank accounts, medical records and any data that must outlive a dying disk.
The term comes from the Latin replicare, to fold back and hence to repeat. Database replication spread through the 1980s and 90s with commercial distributed systems; a key theoretical reference is Leslie Lamport's work on distributed consensus, whose Paxos algorithm (published 1998) and its successor Raft (2014) are the mechanisms by which replicas agree on a single shared truth.
La replicazione è il mantenimento di copie identiche degli stessi dati su più macchine. Serve a due scopi intrecciati: la resilienza (se un nodo muore, i dati sopravvivono altrove) e le prestazioni (più copie servono più lettori, anche vicini geograficamente). Insieme allo sharding, che divide i dati, la replicazione che li moltiplica è il fondamento dei database distribuiti.
Nel modello più comune, primario-replica, le scritture vanno al nodo primario e si propagano alle repliche, che servono le letture. La propagazione può essere sincrona (la scrittura è confermata quando tutte le copie l'hanno ricevuta: più sicura, più lenta) o asincrona (conferma immediata, con il rischio di leggere dati leggermente vecchi: la cosiddetta eventual consistency). Il teorema CAP, formulato da Eric Brewer, inquadra il compromesso inevitabile tra coerenza e disponibilità quando la rete si divide.
Nell'AI la replicazione opera su più piani: gli indici vettoriali sono replicati per reggere il traffico di ricerca, i pesi dei modelli sono copiati su decine di nodi di inferenza e i checkpoint di training sono replicati su storage ridondato. Fuori dall'AI protegge conti bancari, cartelle cliniche e qualunque dato che deve superare la morte di un disco.
Il termine viene dal latino replicare, ripiegare e quindi ripetere. Nei database la replicazione si diffuse tra anni '80 e '90 con i sistemi commerciali distribuiti; un riferimento teorico chiave è il lavoro sul consenso distribuito di Leslie Lamport, il cui algoritmo Paxos (pubblicato nel 1998) e il successore Raft (2014) sono i meccanismi con cui le repliche si accordano su un'unica verità condivisa.
From our network
AGORÀ Intelligence — Enterprise AI Governance Platform
Govern AI at scale: policies, adoption and measurable results on your data. Built for boards and C-suite.
Visit agora-intelligence.com →From the Agora Intelligence blog
📱 Download the Android app (beta) iOS coming soon
Say what you mean. Get what you need.
Grace Certified — the AI coach that trains and certifies your prompt engineering — by Agora Intelligence.